《Expert Systems with Applications》:Multi-sensor information-guided GConvNeXt model with fused feature augmentation for loosening state recognition of multi-bolt connection structures
编辑推荐:
针对多螺栓连接结构松动检测中单传感器信息不足和数据稀缺的问题,提出一种多传感器信息引导的GConvNeXt-FA模型,通过特征融合与增强提升数据多样性和模型性能,实验验证在两种法兰结构上有效。
侯如杰|张舟硕|陈敬龙|杨文展|刘铮
西安工业大学印刷包装与数字媒体学院,中国西安710048
摘要
识别多螺栓连接结构中的松动状态对于确保复杂机械系统的安全性和可靠性至关重要。然而,单个传感器提供的局部信息不足以捕捉整体结构变化,现有的松动数据稀缺且状态信息薄弱,这给实现高效准确的识别方法带来了巨大挑战。为了解决这些问题,本文提出了一种基于多传感器信息的GConvNeXt模型,并结合了特征增强技术,包括真实数据预处理、融合特征挖掘和伪特征生成。首先,从不同传感器收集的振动响应信号被预处理以构建图拓扑结构,然后利用基于图的ConvNeXt进行融合特征挖掘,以深入挖掘每个节点内的薄弱状态信息以及节点间的空间依赖关系。接下来,采用基于条件WGAN-GP的伪特征生成模块对融合特征进行增强,有效补充数据集并提高特征表示的多样性。最后,将融合和生成的特征结合起来用于后续的松动状态识别。在两个法兰多螺栓接头上的实验结果表明,所提出的方法在揭示更全面和丰富的特征表示方面具有优越性,显著提高了结构松动状态的识别效果。
引言
多螺栓连接结构是最常用的预紧接头之一,用于确保部件连接和载荷传递。它们具有高刚性、轻量化和可靠连接等优点,在多个领域得到广泛应用(Huang等人,2022年;Liu等人,2024年)。特别是在水下油管道和高压储存设备等结构中,多螺栓连接是主要的连接方式,对确保其运行可靠性至关重要。然而,由于应用环境和安装维护的原因,螺栓连接故障不可避免,包括松动、开裂、腐蚀和断裂(Yang,2021年)。其中,松动是最常见且最严重的故障模式,其特征是由于螺栓和螺母之间的相对滑动导致预紧力逐渐丧失,从而削弱了夹紧力并降低了载荷传递能力(Gong等人,2022年)。在多螺栓连接结构中,这种局部退化会进一步引起外部载荷下的载荷重新分布和界面不稳定性,导致整体连接状态的逐渐恶化,对设备的长期安全构成严重威胁。因此,及时准确地识别多螺栓连接结构中的松动状态对于确保结构安全性和可靠性至关重要。
松动状态识别是结构状态监测中的典型问题。常见的技术方法包括基于机电阻抗的方法(Sepehry等人,2025年)、基于超声导波的方法(Chen等人,2025年)和基于振动响应的方法(Li等人,2022年)。机电阻抗方法利用机电耦合效应分析结构机械阻抗的变化,从而实现结构状态的识别。Na等人(Na,2021年)提出了一种结合机电阻抗技术的概率神经网络来检测三螺栓接头结构的松动。Lin等人(Chen等人,2022年)应用基于PZT的传感器和机电阻抗技术来捕捉结构阻抗的变化,有效评估钢-木螺栓接头的松动状态。然而,这些方法的识别范围有限且传感器成本较高,不适合复杂的多螺栓连接。基于超声导波的方法通过分析超声波在接触表面传播特性的变化来评估其状态。具体来说,Soleimanpour等人(Soleimanpour等人,2022年)提出利用不对称导波与不完美接头表面的相互作用产生的接触声学非线性来准确检测螺栓接头的松动状态。Tong等人(Tong等人,2023年)提出了 lamb 波的传播模型和成像方法,有效识别单螺栓和双螺栓接头的松动状态。然而,现有方法主要应用于简单的螺栓结构(如板和梁),难以识别复杂结构的松动状态。基于振动响应的方法主要分为两类:动态模型和振动响应信号分析。Gong等人(Gong等人,2022年)提出了一种基于振动声学调制的更高阶边带理论模型,并开发了一种新的松动指数,实现了板螺栓连接的松动状态识别。尽管如此,现有的动态模型缺乏通用性,难以在复杂场景中广泛应用。对于振动响应信号,它们通常包含大量关于结构状态和损伤的信息,可以实现无损和高效的状态识别。因此,我们专注于研究利用结构响应信号的方法来实现多螺栓连接结构中的松动状态识别。
近年来,基于振动响应信号的状态识别方法受到了广泛关注,旨在提取能够充分表征螺栓松动状态的敏感特征以实现准确识别。Wu等人(Wu等人,2021年)开发了一种基于振动信号的方法,利用平均自相关函数实现了螺栓板连接的有效识别。Yang等人(Yang等人,2024年)提出了一种基于准解析双树复小波包变换的滤波器组结构,并开发了一种大边距分布机器来识别螺栓结构的松动状态。然而,这些信号处理方法在算法设计和参数选择上严重依赖于专家知识,在处理大规模数据时效率较低。随着计算性能的进步,基于深度学习的识别方法得到了深入研究。Paral等人(Paral等人,2021年)提出了一种结合卷积神经网络和连续小波变换的模型来评估钢结构连接的健康状况。Liu等人(Liu等人,2023年)提出了一种改进的一维卷积网络,用于训练振动加速度时域信号,实现了塔螺栓松动状态的在线监测。此外,最近的研究探索了提高模型学习能力和适应性的策略,如基于小波的特征学习和知识引导的半监督学习框架(Wei等人,2025年)。这些工作展示了深度学习方法在提高状态识别性能方面的潜力。然而,针对复杂多螺栓连接的研究仍然有限,大多数方法依赖于单个传感器的信号,难以全面表征整体结构变化。此外,现有的松动数据通常稀缺且状态信息极其薄弱,这使得传统的深度学习模型在提取对松动敏感的特征方面效果不佳。
近年来,ConvNeXt(Liu等人,2020年代)通过在卷积网络中融入Transformer启发式设计原则,在层次化特征表示和增强对弱特征模式的敏感性方面表现出强大能力。然而,其原始架构缺乏明确的多传感器间空间关系建模机制,也没有充分考虑数据稀缺性和特征多样性限制,这限制了其在多传感器协作场景中的直接应用。为了解决这些限制,本研究开发了一个统一框架,将ConvNeXt与图网络(GConvNeXt)相结合,共同捕获多传感器间的弱状态特征和空间依赖关系,并进一步引入了特征级数据增强策略来提高融合特征的多样性和区分度。因此,提出了一种基于多传感器信息的GConvNeXt模型(GConvNeXt-FA),用于多螺栓连接结构中的松动状态识别。GConvNeXt-FA包括三个模块:真实数据预处理、融合特征挖掘和伪特征生成。首先,从不同位置收集的多传感器数据被预处理并组织成图拓扑结构,以模拟传感器间的时空依赖关系。然后,利用带有GConvNeXt的融合特征挖掘模块在统一框架内共同提取单个传感器的弱状态信息和不同传感器间的空间依赖关系,从而实现更具区分性的融合特征表示。随后,基于条件Wasserstein生成对抗网络(CWGAN-GP)的伪特征生成模块对融合特征进行特征级增强,从而丰富特征多样性并为后续状态识别提供更多信息。最后,将融合和生成的特征结合起来微调模型参数,实现多螺栓连接结构中的有效识别。以下总结了本文的主要贡献。
- 1)
提出了一种基于多传感器信息的GConvNeXt模型(GConvNeXt-FA),用于松动状态识别。通过融合多传感器响应信号并增强融合特征,可以获得更具信息量和多样性的特征表示,从而实现多螺栓连接结构中的有效松动识别。
- 2)
通过将ConvNeXt与图网络结合,设计了一种名为GConvNeXt的特征融合框架。将传感器视为独立节点并构建图拓扑结构后,该框架共同探索了单个传感器内的弱状态信息和传感器间的空间依赖关系,从而获得更具区分性和可靠性的融合特征嵌入。
- 3)
开发了一种基于CWGAN-GP的特征级增强模块来增强融合特征。通过结合条件约束和Wasserstein度量及梯度惩罚,生成高质量的伪特征,丰富融合特征空间的多样性和覆盖范围,从而提高模型的状态识别性能。
本文的其余部分结构如下。第2节介绍了包含多传感器信息融合和生成对抗网络的数据增强的基础知识。第3节详细介绍了所提出的方法,涵盖了整体网络架构和两阶段训练过程。第4节提出了实验验证,重点关注两种法兰多螺栓连接结构。第5节讨论了所提出方法的关键组件和参数设置以及消融实验。最后,第6节总结了本文。
节选内容
多传感器信息融合
单个传感器测量的振动响应通常具有强烈的位置依赖性和局部可观测性,不足以全面表征整体连接性能。因此,通常在多个位置部署传感器以获取更全面的结构响应信息。多传感器信息融合(Zhang等人,2025年)是指整合和处理来自不同传感器的数据以建模其空间相关性的过程。
提出的方法
本节详细介绍了所提出的方法,包括两个主要组成部分。首先介绍了GConvNeXt-FA的总体架构,包括真实数据预处理、融合特征挖掘和伪特征生成。接下来,详细阐述了两阶段训练过程,包括整体训练过程和用于提高模型性能的优化策略。
实验验证
本节提出了算法实验来评估所提出的方法。描述了两种法兰多螺栓连接结构的测试平台和实验设置,以及比较方法和训练配置。接下来,在多种情况下进行了各种松动状态识别实验,并对结果进行了详细分析和展示。
讨论
本节进一步讨论了所提出的GConvNeXt-FA。首先,评估了GConvNeXt的不同融合级别,以研究不同集成阶段对融合效果的影响。接下来,探讨了特征增强模块的超参数,包括生成的融合特征数量和复合损失函数中的系数组合。最后,进行了消融实验,以讨论所提出方法中每个组件的贡献。
结论
本文提出了一种基于多传感器信息的GConvNeXt模型(GConvNeXt-FA),用于识别多螺栓连接结构中的松动状态。该框架包括三个核心模块:真实数据预处理、融合特征挖掘和伪特征生成。首先,利用从多个传感器收集的数据构建图拓扑结构。然后,使用基于GConvNeXt的融合特征挖掘模块提取
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
作者衷心感谢编辑和审稿人的宝贵意见,这些意见对提高本文的质量做出了重要贡献。本研究得到了国家自然科学基金(资助编号:51775410)和科学挑战项目(资助编号:TZ2018007)的支持,作者对此表示衷心感谢。